传统的分类算法，是认为设计特征提取方式，然后使用支持向量机进行分类。
那么如果按照这个思路，在全连接之前，算不算训练一个核函数使数据映射到一个线性可分的空间内，然后再运用全连接，分类向量，如果这样想的话，核函数是低维空间向高维空间的一种映射，那么原始数据的维度低在哪，映射后的空间的维数高在那？最后的线性函数构造为什么还有激活函数这种非线性元素，还有池化层的作用是什么，为什么没有池化层网络的训练效果会大打折扣，在残差网络里池化层的运用都是在降维的时候，池化层对函数的构造那么重要吗？到底是什么效果。？而且前面对神经网络的理解方式怎么套用不到残差网络上，残差网络几乎没有全连接层，那么从空间映射角度，又应该怎么解释那？自映射吗？怎么解释？损失函数的输入是什么？每类网络的损失函数演变是什么情况